基于深度学习的有毒城市烟雾时空预测
机器学习
2024-06-06 v1 人工智能
大气与海洋物理
摘要
工业事故、化学溢出和结构火灾可以释放大量有害物质，扩散到城市大气中并影响人口密集区。通常会使用计算机模型来预测有毒烟雾的传输，通过求解流体力学方程来实现。然而，这些模型由于需要计算许多网格单元来模拟湍流并解决建筑物和街道，计算代价高昂。在紧急响应情况下， 需要能够快速运行且充分捕捉重要时空特征的替代方法。本文提出了一种新型深度学习模型，名为ST-GasNet，其灵感来自支配大气中烟雾行为的方程。ST-GasNet从有限的地面有毒城市烟雾时间序列中学习时空依赖性，这些序列由高分辨率大尺度涡流模拟模型生成。在独立序列上，ST-GasNet能够准确预测给定早期行为作为输入的后期时空演化，即使在建筑将大烟雾分割成小烟雾的情况下也能做到。通过纳入大尺度风边界条件信息，ST-GasNet在测试数据上实现了至少90%的预测准确率，覆盖整个预测期。
引用
@article{arxiv.2406.02582,
title = {Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning},
author = {Yinan Wang and M. Giselle Fernández-Godino and Nipun Gunawardena and Donald D. Lucas and Xiaowei Yue},
journal= {arXiv preprint arXiv:2406.02582},
year = {2024}
}
备注
13 pages, 10 figures